Enviar búsqueda
Cargar
[Gree] Dialogflowを利用したチャットボット導入事例
•
Descargar como PPTX, PDF
•
5 recomendaciones
•
12,510 vistas
Takashi Suzuki
Seguir
Google Cloud Dialogflow Meet-upでの登壇スライドです。 グリーにおけるチャットボット導入事例をご紹介します。
Leer menos
Leer más
Datos y análisis
Denunciar
Compartir
Denunciar
Compartir
1 de 43
Descargar ahora
Recomendados
【Dialogflow cx】はじめてみよう google cloud dialogflow cx 編
【Dialogflow cx】はじめてみよう google cloud dialogflow cx 編
Google Cloud Platform - Japan
失敗から学ぶ機械学習応用
失敗から学ぶ機械学習応用
Hiroyuki Masuda
AWSではじめるMLOps
AWSではじめるMLOps
MariOhbuchi
Data-centricなML開発
Data-centricなML開発
Takeshi Suzuki
Data platformdesign
Data platformdesign
Ryoma Nagata
心理的安全性と、Veinの紹介 Psychological safety and introduction of Vein
心理的安全性と、Veinの紹介 Psychological safety and introduction of Vein
Tokoroten Nakayama
大規模データに基づく自然言語処理
大規模データに基づく自然言語処理
JunSuzuki21
「のどが渇いた」というユーザーに何を出す? ユーザーの「欲しい」に惑わされない、本当のインサイトを見つけるUXデザイン・UXリサーチ
「のどが渇いた」というユーザーに何を出す? ユーザーの「欲しい」に惑わされない、本当のインサイトを見つけるUXデザイン・UXリサーチ
Yoshiki Hayama
Recomendados
【Dialogflow cx】はじめてみよう google cloud dialogflow cx 編
【Dialogflow cx】はじめてみよう google cloud dialogflow cx 編
Google Cloud Platform - Japan
失敗から学ぶ機械学習応用
失敗から学ぶ機械学習応用
Hiroyuki Masuda
AWSではじめるMLOps
AWSではじめるMLOps
MariOhbuchi
Data-centricなML開発
Data-centricなML開発
Takeshi Suzuki
Data platformdesign
Data platformdesign
Ryoma Nagata
心理的安全性と、Veinの紹介 Psychological safety and introduction of Vein
心理的安全性と、Veinの紹介 Psychological safety and introduction of Vein
Tokoroten Nakayama
大規模データに基づく自然言語処理
大規模データに基づく自然言語処理
JunSuzuki21
「のどが渇いた」というユーザーに何を出す? ユーザーの「欲しい」に惑わされない、本当のインサイトを見つけるUXデザイン・UXリサーチ
「のどが渇いた」というユーザーに何を出す? ユーザーの「欲しい」に惑わされない、本当のインサイトを見つけるUXデザイン・UXリサーチ
Yoshiki Hayama
MLOpsはバズワード
MLOpsはバズワード
Tetsutaro Watanabe
MLflowによる機械学習モデルのライフサイクルの管理
MLflowによる機械学習モデルのライフサイクルの管理
Takeshi Yamamuro
Ml system in_python
Ml system in_python
yusuke shibui
Python に行く前に Excel で学ぶデータ分析のいろは
Python に行く前に Excel で学ぶデータ分析のいろは
Daiyu Hatakeyama
ML Ops 実装の現場から
ML Ops 実装の現場から
慎一郎 畠
MLOps に基づく AI/ML 実運用最前線 ~画像、動画データにおける MLOps 事例のご紹介~(映像情報メディア学会2021年冬季大会企画セッショ...
MLOps に基づく AI/ML 実運用最前線 ~画像、動画データにおける MLOps 事例のご紹介~(映像情報メディア学会2021年冬季大会企画セッショ...
NTT DATA Technology & Innovation
Snowflake Architecture and Performance
Snowflake Architecture and Performance
Mineaki Motohashi
JapanTaxiにおけるML Ops 〜機械学習の開発運用プロセス〜
JapanTaxiにおけるML Ops 〜機械学習の開発運用プロセス〜
Tetsutaro Watanabe
BigQuery MLの行列分解モデルを 用いた推薦システムの基礎
BigQuery MLの行列分解モデルを 用いた推薦システムの基礎
幸太朗 岩澤
信頼できるAIシステム開発の勘どころ ~AI開発方法論×AI品質保証~(NTTデータ テクノロジーカンファレンス 2020 発表資料)
信頼できるAIシステム開発の勘どころ ~AI開発方法論×AI品質保証~(NTTデータ テクノロジーカンファレンス 2020 発表資料)
NTT DATA Technology & Innovation
「速」を落とさないコードレビュー
「速」を落とさないコードレビュー
Takafumi ONAKA
For MANABIYA
For MANABIYA
ssuserafaae8
DevOps with Database on AWS
DevOps with Database on AWS
Amazon Web Services Japan
「機械学習:技術的負債の高利子クレジットカード」のまとめ
「機械学習:技術的負債の高利子クレジットカード」のまとめ
Recruit Technologies
JCBの Payment as a Service 実現にむけたゼロベースの組織変革とテクニカル・イネーブラー(NTTデータ テクノロジーカンファレンス ...
JCBの Payment as a Service 実現にむけたゼロベースの組織変革とテクニカル・イネーブラー(NTTデータ テクノロジーカンファレンス ...
NTT DATA Technology & Innovation
Google Cloud のネットワークとロードバランサ
Google Cloud のネットワークとロードバランサ
Google Cloud Platform - Japan
Edge AI ソリューションを支える Azure IoT サービス
Edge AI ソリューションを支える Azure IoT サービス
Deep Learning Lab(ディープラーニング・ラボ)
マイクロサービス 4つの分割アプローチ
マイクロサービス 4つの分割アプローチ
増田 亨
開発速度が速い #とは(LayerX社内資料)
開発速度が速い #とは(LayerX社内資料)
mosa siru
Stac2021 [初学者向け]ローコード開発におけるテストの考え方
Stac2021 [初学者向け]ローコード開発におけるテストの考え方
Satoshi Sakashita
[Gree] グリーのソーシャルゲームにおける機械学習活用事例
[Gree] グリーのソーシャルゲームにおける機械学習活用事例
Takashi Suzuki
DataEngConf NYC’18 セッションサマリー #1
DataEngConf NYC’18 セッションサマリー #1
gree_tech
Más contenido relacionado
La actualidad más candente
MLOpsはバズワード
MLOpsはバズワード
Tetsutaro Watanabe
MLflowによる機械学習モデルのライフサイクルの管理
MLflowによる機械学習モデルのライフサイクルの管理
Takeshi Yamamuro
Ml system in_python
Ml system in_python
yusuke shibui
Python に行く前に Excel で学ぶデータ分析のいろは
Python に行く前に Excel で学ぶデータ分析のいろは
Daiyu Hatakeyama
ML Ops 実装の現場から
ML Ops 実装の現場から
慎一郎 畠
MLOps に基づく AI/ML 実運用最前線 ~画像、動画データにおける MLOps 事例のご紹介~(映像情報メディア学会2021年冬季大会企画セッショ...
MLOps に基づく AI/ML 実運用最前線 ~画像、動画データにおける MLOps 事例のご紹介~(映像情報メディア学会2021年冬季大会企画セッショ...
NTT DATA Technology & Innovation
Snowflake Architecture and Performance
Snowflake Architecture and Performance
Mineaki Motohashi
JapanTaxiにおけるML Ops 〜機械学習の開発運用プロセス〜
JapanTaxiにおけるML Ops 〜機械学習の開発運用プロセス〜
Tetsutaro Watanabe
BigQuery MLの行列分解モデルを 用いた推薦システムの基礎
BigQuery MLの行列分解モデルを 用いた推薦システムの基礎
幸太朗 岩澤
信頼できるAIシステム開発の勘どころ ~AI開発方法論×AI品質保証~(NTTデータ テクノロジーカンファレンス 2020 発表資料)
信頼できるAIシステム開発の勘どころ ~AI開発方法論×AI品質保証~(NTTデータ テクノロジーカンファレンス 2020 発表資料)
NTT DATA Technology & Innovation
「速」を落とさないコードレビュー
「速」を落とさないコードレビュー
Takafumi ONAKA
For MANABIYA
For MANABIYA
ssuserafaae8
DevOps with Database on AWS
DevOps with Database on AWS
Amazon Web Services Japan
「機械学習:技術的負債の高利子クレジットカード」のまとめ
「機械学習:技術的負債の高利子クレジットカード」のまとめ
Recruit Technologies
JCBの Payment as a Service 実現にむけたゼロベースの組織変革とテクニカル・イネーブラー(NTTデータ テクノロジーカンファレンス ...
JCBの Payment as a Service 実現にむけたゼロベースの組織変革とテクニカル・イネーブラー(NTTデータ テクノロジーカンファレンス ...
NTT DATA Technology & Innovation
Google Cloud のネットワークとロードバランサ
Google Cloud のネットワークとロードバランサ
Google Cloud Platform - Japan
Edge AI ソリューションを支える Azure IoT サービス
Edge AI ソリューションを支える Azure IoT サービス
Deep Learning Lab(ディープラーニング・ラボ)
マイクロサービス 4つの分割アプローチ
マイクロサービス 4つの分割アプローチ
増田 亨
開発速度が速い #とは(LayerX社内資料)
開発速度が速い #とは(LayerX社内資料)
mosa siru
Stac2021 [初学者向け]ローコード開発におけるテストの考え方
Stac2021 [初学者向け]ローコード開発におけるテストの考え方
Satoshi Sakashita
La actualidad más candente
(20)
MLOpsはバズワード
MLOpsはバズワード
MLflowによる機械学習モデルのライフサイクルの管理
MLflowによる機械学習モデルのライフサイクルの管理
Ml system in_python
Ml system in_python
Python に行く前に Excel で学ぶデータ分析のいろは
Python に行く前に Excel で学ぶデータ分析のいろは
ML Ops 実装の現場から
ML Ops 実装の現場から
MLOps に基づく AI/ML 実運用最前線 ~画像、動画データにおける MLOps 事例のご紹介~(映像情報メディア学会2021年冬季大会企画セッショ...
MLOps に基づく AI/ML 実運用最前線 ~画像、動画データにおける MLOps 事例のご紹介~(映像情報メディア学会2021年冬季大会企画セッショ...
Snowflake Architecture and Performance
Snowflake Architecture and Performance
JapanTaxiにおけるML Ops 〜機械学習の開発運用プロセス〜
JapanTaxiにおけるML Ops 〜機械学習の開発運用プロセス〜
BigQuery MLの行列分解モデルを 用いた推薦システムの基礎
BigQuery MLの行列分解モデルを 用いた推薦システムの基礎
信頼できるAIシステム開発の勘どころ ~AI開発方法論×AI品質保証~(NTTデータ テクノロジーカンファレンス 2020 発表資料)
信頼できるAIシステム開発の勘どころ ~AI開発方法論×AI品質保証~(NTTデータ テクノロジーカンファレンス 2020 発表資料)
「速」を落とさないコードレビュー
「速」を落とさないコードレビュー
For MANABIYA
For MANABIYA
DevOps with Database on AWS
DevOps with Database on AWS
「機械学習:技術的負債の高利子クレジットカード」のまとめ
「機械学習:技術的負債の高利子クレジットカード」のまとめ
JCBの Payment as a Service 実現にむけたゼロベースの組織変革とテクニカル・イネーブラー(NTTデータ テクノロジーカンファレンス ...
JCBの Payment as a Service 実現にむけたゼロベースの組織変革とテクニカル・イネーブラー(NTTデータ テクノロジーカンファレンス ...
Google Cloud のネットワークとロードバランサ
Google Cloud のネットワークとロードバランサ
Edge AI ソリューションを支える Azure IoT サービス
Edge AI ソリューションを支える Azure IoT サービス
マイクロサービス 4つの分割アプローチ
マイクロサービス 4つの分割アプローチ
開発速度が速い #とは(LayerX社内資料)
開発速度が速い #とは(LayerX社内資料)
Stac2021 [初学者向け]ローコード開発におけるテストの考え方
Stac2021 [初学者向け]ローコード開発におけるテストの考え方
Similar a [Gree] Dialogflowを利用したチャットボット導入事例
[Gree] グリーのソーシャルゲームにおける機械学習活用事例
[Gree] グリーのソーシャルゲームにおける機械学習活用事例
Takashi Suzuki
DataEngConf NYC’18 セッションサマリー #1
DataEngConf NYC’18 セッションサマリー #1
gree_tech
[Gree] DataEngConf NYC’18 セッションサマリー #1
[Gree] DataEngConf NYC’18 セッションサマリー #1
Takashi Suzuki
ぼくのかんがえたさいきょうの機械学習プロダクトの作り方
ぼくのかんがえたさいきょうの機械学習プロダクトの作り方
Ozawa Kensuke
Itca yammer提案110615
Itca yammer提案110615
伸夫 森本
アジャイルナイトセミナー_2012年10月18日_Social Game x Agile Development
アジャイルナイトセミナー_2012年10月18日_Social Game x Agile Development
Go2GroupJapan
微博(ウェイボ)型社内SNSとモバイルで始める社内の可視化
微博(ウェイボ)型社内SNSとモバイルで始める社内の可視化
Takamitsu Nakao
Googleのインフラ技術から考える理想のDevOps
Googleのインフラ技術から考える理想のDevOps
Etsuji Nakai
[Cloud OnAir] AI の力で次世代型コンタクトセンターへ 〜 Contact Center AI ソリューションにおけるジェネシス・ジャパン...
[Cloud OnAir] AI の力で次世代型コンタクトセンターへ 〜 Contact Center AI ソリューションにおけるジェネシス・ジャパン...
Google Cloud Platform - Japan
『Mobageの大規模データマイニング活用と 意思決定』- #IBIS 2012 -ビジネスと機械学習の接点-
『Mobageの大規模データマイニング活用と 意思決定』- #IBIS 2012 -ビジネスと機械学習の接点-
Koichi Hamada
Microsoft MVP x Passion for community
Microsoft MVP x Passion for community
Rie Moriguchi
【16-E-4】残業ゼロで開発スピードが10倍に!もう元の開発体制には戻れないデンソー流のアジャイル開発
【16-E-4】残業ゼロで開発スピードが10倍に!もう元の開発体制には戻れないデンソー流のアジャイル開発
Developers Summit
明日の開発カンファレンスパネル
明日の開発カンファレンスパネル
Hideo Kashioka
プロトタイピングツール投入のケーススタディ
プロトタイピングツール投入のケーススタディ
力也 伊原
Atlassian Summit US 2017 #augj
Atlassian Summit US 2017 #augj
グロースエクスパートナーズ株式会社/Growth xPartners Incorporated.
Developer Summit Summer 2013 C1セッション CA Technologies
Developer Summit Summer 2013 C1セッション CA Technologies
SA CA
会話型UI事始め
会話型UI事始め
DeNA
2018/07/26 Game change by Deep Learning and tips to make a leap
2018/07/26 Game change by Deep Learning and tips to make a leap
Sony Network Communications Inc.
夏サミ 2013 A2 セッション資料 #natsumiA2
夏サミ 2013 A2 セッション資料 #natsumiA2
智治 長沢
アジャイル開発の失敗とカイゼン
アジャイル開発の失敗とカイゼン
Go Yokoyama
Similar a [Gree] Dialogflowを利用したチャットボット導入事例
(20)
[Gree] グリーのソーシャルゲームにおける機械学習活用事例
[Gree] グリーのソーシャルゲームにおける機械学習活用事例
DataEngConf NYC’18 セッションサマリー #1
DataEngConf NYC’18 セッションサマリー #1
[Gree] DataEngConf NYC’18 セッションサマリー #1
[Gree] DataEngConf NYC’18 セッションサマリー #1
ぼくのかんがえたさいきょうの機械学習プロダクトの作り方
ぼくのかんがえたさいきょうの機械学習プロダクトの作り方
Itca yammer提案110615
Itca yammer提案110615
アジャイルナイトセミナー_2012年10月18日_Social Game x Agile Development
アジャイルナイトセミナー_2012年10月18日_Social Game x Agile Development
微博(ウェイボ)型社内SNSとモバイルで始める社内の可視化
微博(ウェイボ)型社内SNSとモバイルで始める社内の可視化
Googleのインフラ技術から考える理想のDevOps
Googleのインフラ技術から考える理想のDevOps
[Cloud OnAir] AI の力で次世代型コンタクトセンターへ 〜 Contact Center AI ソリューションにおけるジェネシス・ジャパン...
[Cloud OnAir] AI の力で次世代型コンタクトセンターへ 〜 Contact Center AI ソリューションにおけるジェネシス・ジャパン...
『Mobageの大規模データマイニング活用と 意思決定』- #IBIS 2012 -ビジネスと機械学習の接点-
『Mobageの大規模データマイニング活用と 意思決定』- #IBIS 2012 -ビジネスと機械学習の接点-
Microsoft MVP x Passion for community
Microsoft MVP x Passion for community
【16-E-4】残業ゼロで開発スピードが10倍に!もう元の開発体制には戻れないデンソー流のアジャイル開発
【16-E-4】残業ゼロで開発スピードが10倍に!もう元の開発体制には戻れないデンソー流のアジャイル開発
明日の開発カンファレンスパネル
明日の開発カンファレンスパネル
プロトタイピングツール投入のケーススタディ
プロトタイピングツール投入のケーススタディ
Atlassian Summit US 2017 #augj
Atlassian Summit US 2017 #augj
Developer Summit Summer 2013 C1セッション CA Technologies
Developer Summit Summer 2013 C1セッション CA Technologies
会話型UI事始め
会話型UI事始め
2018/07/26 Game change by Deep Learning and tips to make a leap
2018/07/26 Game change by Deep Learning and tips to make a leap
夏サミ 2013 A2 セッション資料 #natsumiA2
夏サミ 2013 A2 セッション資料 #natsumiA2
アジャイル開発の失敗とカイゼン
アジャイル開発の失敗とカイゼン
Más de Takashi Suzuki
到着予想時間サービスの特徴量のニアリアルタイム化
到着予想時間サービスの特徴量のニアリアルタイム化
Takashi Suzuki
AI予約サービスのMLOps事例紹介
AI予約サービスのMLOps事例紹介
Takashi Suzuki
Kubernetes超入門
Kubernetes超入門
Takashi Suzuki
MLプロジェクトのリリースフローを考える
MLプロジェクトのリリースフローを考える
Takashi Suzuki
Optuna on Kubeflow Pipeline 分散ハイパラチューニング
Optuna on Kubeflow Pipeline 分散ハイパラチューニング
Takashi Suzuki
GOの機械学習システムを支えるMLOps事例紹介
GOの機械学習システムを支えるMLOps事例紹介
Takashi Suzuki
MOVの機械学習システムを支えるMLOps実践
MOVの機械学習システムを支えるMLOps実践
Takashi Suzuki
タクシー×AIを支えるKubernetesとAIデータパイプラインの信頼性の取り組みについて
タクシー×AIを支えるKubernetesとAIデータパイプラインの信頼性の取り組みについて
Takashi Suzuki
MOV お客さま探索ナビの GCP ML開発フローについて
MOV お客さま探索ナビの GCP ML開発フローについて
Takashi Suzuki
Más de Takashi Suzuki
(9)
到着予想時間サービスの特徴量のニアリアルタイム化
到着予想時間サービスの特徴量のニアリアルタイム化
AI予約サービスのMLOps事例紹介
AI予約サービスのMLOps事例紹介
Kubernetes超入門
Kubernetes超入門
MLプロジェクトのリリースフローを考える
MLプロジェクトのリリースフローを考える
Optuna on Kubeflow Pipeline 分散ハイパラチューニング
Optuna on Kubeflow Pipeline 分散ハイパラチューニング
GOの機械学習システムを支えるMLOps事例紹介
GOの機械学習システムを支えるMLOps事例紹介
MOVの機械学習システムを支えるMLOps実践
MOVの機械学習システムを支えるMLOps実践
タクシー×AIを支えるKubernetesとAIデータパイプラインの信頼性の取り組みについて
タクシー×AIを支えるKubernetesとAIデータパイプラインの信頼性の取り組みについて
MOV お客さま探索ナビの GCP ML開発フローについて
MOV お客さま探索ナビの GCP ML開発フローについて
[Gree] Dialogflowを利用したチャットボット導入事例
1.
Dialogflowを利用した チャットボット 導入事例 Google Cloud
Dialogflow Meet-up 2017/12/12 グリー株式会社 開発本部 応用人工知能チーム 鈴木 隆史
2.
自己紹介 ■氏名:鈴木隆史 (@t24kc) ■所属:開発本部 応用人工知能チーム JapanGame事業本部
ENチーム ■業務:Webプロダクト ENマネジメント 大規模データ活用した機械学習ツール開発 これまでに機械学習を利用したPUSH通知の最適化、 バナーのレコメンデーション、チャットボットなどを担当 2
3.
1. はじめに 2. システム紹介 3.
会話精度向上 4. まとめ はじめに 3
4.
グリーのサービスと 応用人工知能チームの取り組みについて はじめに 4
5.
■2017年 上半期リリースタイトル セールスランキング グリーのサービスについて 5※ランキングは、App
StoreまたはGoogle Playのセールスランキングより7月31日時点までの最高順位を採用
6.
分析データ基盤 Hadoopベース 数TB / 1日 自社の大規模分析基盤を活用 6
7.
利用している機械学習技術 ■Deep Learning関連 CNN:美容メディア画像タグ付け、不適切な画像識別 RNN:レコメンデーション ■Machine Learning関連 分類:PUSH通知最適化、離脱ユーザ予測 クラスタリング:画像の領域抽出、ユーザセグメント分析 7
8.
■Dialogflowとクラウドサービスのシステム連携 ・導入したチャットボットを例に ・実際にDialogflowで利用しているシステム紹介 ・Dialogflowでカバーできない範囲のクラウド連携部分 ■会話精度向上のための取り組み ・ログ分析一例と会話精度向上のために実施したこと 本日のテーマ 8
9.
システム紹介 1. はじめに 2. システム紹介 3.
会話精度向上 4. まとめ 9
10.
プロジェクト紹介 10 2017年11月 本リリース済 http://orario-rapsodia.com/ 事前登録ページのチャットボット ©大森藤ノ・SBクリエイティブ/ソード・オラトリア製作委員会 ©GREE,Inc
©Super Appli,Inc
11.
デモ ※開発段階のものです ※現在はクローズしています 11 ※開発段階のも のです ※現在はク ローズし
ています 11
12.
チャットボット仕様 12 概要 詳細 感情 投げられた会話により喜怒哀楽が変化 親密度
ユーザとの会話内容によりキャラクター親密度が変化 クイズ 会話が続くとキャラクターからクイズを出題 報酬 親密度が閾値を超えたタイミングで報酬イベント発火 NGワード 公序良俗に反することには適切に返答
13.
チャットボットの仕様から システムに落とし込む システム検討 13
14.
システム概要 14 プロダクション サーバ クライアント チャットボット API
15.
システム概要 15 プロダクション サーバ クライアント チャットボット API 作成した部分を もう少し詳細に
16.
チャットボットAPI構成 16 API部分 監視部分
17.
チャットボットAPI構成 17 API部分 監視部分 API処理群 自然言語処理 ユーザ・マスタデータ ログ関連 自然言語処理は Dialogflowを利用
18.
チャットボット仕様 18 概要 詳細 感情 投げられた会話により喜怒哀楽が変化 親密度
ユーザとの会話内容によりキャラクター親密度が変化 クイズ 会話が続くとキャラクターからクイズを出題 報酬 親密度が閾値を超えたタイミングで報酬イベント発火 NGワード 公序良俗に反することには適切に返答 Dialogflowで 対応する箇所
19.
チャットボット仕様 19 概要 詳細 感情 投げられた会話により喜怒哀楽が変化 親密度
ユーザとの会話内容によりキャラクター親密度が変化 クイズ 会話が続くとキャラクターからクイズを出題 報酬 親密度が閾値を超えたタイミングで報酬イベント発火 NGワード 公序良俗に反することには適切に返答 クラウドサービス で 対応する箇所 Dialogflowで 対応する箇所
20.
他サービスの検証と比較をした結果 Dialogflowでシステム開発した経緯 20
21.
NLPサービスについて 21 導入スピード 拡張性 APIサービス NLPモジュール サービス ML/DLライブラリ サービス
22.
Dialogflowの決め手 ■導入スピード面 ・APIサービスのため学習データ抽出・ラベル分類コストも必要最低限 ・既存のMLライブラリを利用する場合の実装コストが発生しない ■料金面 ・スタンダード版は無料で利用できる ・必要に応じて、エンタープライズ版でAPI制限の緩和などが可能 ■精度面 ・会話データのラベルミスを修正して再学習させることができる ・内部に多くの拡張機能があり、表現ゆれ解決や外部連携なども可能 22
23.
■アルゴリズムのブラックボックス化 ・内部の実装がブラックボックス化しやすい ・痒いところに手が届かないこともあるが、サービスの実装に集中できると も捉えられる ■サービス安定性 ・フリー版はAPIの停止や、利用上限が設定されているケースがある APIサービスの懸念点 23 今回のプロジェクトでは メリットが大きいためDialogflowに決定
24.
Dialogflowとクラウドサービスの 利用箇所の紹介 システム紹介 24
25.
■Intents ・多くの場合は例文を増やすことで対応 システム紹介#1(単純な質問と返答) 25 Intents
26.
■Entities ・ActionでIntentsとEntitiesを紐付けて表現ゆれに対応 システム紹介#2(表現ゆれの対応) 26 Intents Entities
27.
■Events・Contexts ・eventをクイズイベント発火に利用 ・contextをクイズ回答期間の管理に利用 システム紹介#3(クイズ出題) 27 additional post question answer
28.
■Cloud Management ・Fulfillmentのwebhookで外部連携も可能 ・細かなセッション情報やIP設定などはバックエンド側で対応 システム紹介#4(セッション情報・IP管理) 28 IP setting data
29.
1. はじめに 2. システム紹介 3.
会話精度向上 4. まとめ 会話精度向上 29
30.
会話精度が振り返られるように ログ整理とデータ活用 会話精度向上のために 30
31.
■ログの蓄積 ・DialogflowのHistoryを利用して簡単な会話ログ分析も可能 ・今回は大規模分析のため自社のDWHを活用 ■会話精度パラメータを利用 ・レスポンスのscore(会話精度)パラメータが利用できる 前提 31
32.
■スコアセグメントごとの結果 ・スコア(会話精度)を10%ごとに集計した会話数値 ・精度が100%のものと悪いものに二極化しているのが分かる 全体会話の確認 32
33.
■スコアが良かったもの ・単語や単純な挨拶のIntentsの会話精度が高い 個別会話の確認#1 33
34.
■スコアが良かったもの(詳細) ・単語のみの発言が多く、登録したUser saysとのルールベース合致多い 個別会話の確認#2 34
35.
■スコアが悪かったもの ・柔軟な会話や登録されたIntentsが類似している会話精度が低い 個別会話の確認#3 35
36.
■スコアが悪かったもの(詳細) ・分かち書き「くれ」という単語に反応している様子 ・「アイテム」などのIntent登録はないため、この例文に紐付いている 個別会話の確認#4 36
37.
■スコアが悪かったもの(詳細) ・精度30%以下(Intentsに紐付かなかった)会話ログを確認 ・同様にIntent登録がない例文や、単語の意味がないものが多い 個別会話の確認#5 37
38.
■登録Intentsの拡張 ・殆どの場合は例文の追加で解決できる ・ユーザの会話ログから、頻度の高い例文を新しく追加していく ■登録Entitiesの拡張 ・表現ずれの改善のため、Entityにデータを追加していく ・ただし、IntentsやEntitiesには登録上限がある 実施したこと#1 38
39.
実施したこと#2 39 ■TrainingでIntents学習 ・以前の会話やり取りが間違っていた場合には DialogflowのTraining機能から正しいIntentsを学習させる事ができる
40.
■対応する基準 登録する例文の基準 ・IntentsやEntitiesには登録できる上限があるため 精度が低い全ての会話を登録できるわけではないこと 優先度の基準 ・例文内容の検討やTrainingによる学習には人的コストがかかるため 全体のリソースを考慮した優先度を決めておく ・ここでは会話精度にフォーカスしていたが チャットボットの事業目的に会話精度の重要度がどの程度あるか 注意するべきところ 40
41.
1. はじめに 2. システム紹介 3.
会話精度向上 4. まとめ まとめ 41
42.
■導入コスト重視ではAPIサービスが最適 ・独自モデルの場合と比較して、実装コスト・学習データ準備コストの削減 メリットが非常に大きい ・特定インテントの前処理工夫などの拡張要素部分も、クラウド連携で対応 できる まとめ 42
Descargar ahora